跳到正文

#評測/基準

RSS
今日 2 則
今天11月23日週一
  1. Dev.to Top Tech67

    Artificial Analysis 評比 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    GPT-6.2 Astra 和 Sol 的回答變短了,但回答方式的改變不代表答案變得更準或更不準。Artificial Analysis 比較多個模型後發現,Astra 和 Sol 的回答篇幅與段落標題都減少,直接先給答案、聽起來自然的分數則上升;透明度分數分別是 41 和 57,低於 Fable 5.2 的 81 與 Opus 5.5 的 90。這些分數反映模型怎麼表達,不是回答正確率;在重要情境中,使用者不能只靠模型是否承認不確定來判斷內容可信度。

  2. Dev.to Top Tech73

    GPT-6.2 Astra、Sol 與 Claude Opus 5.5 評測:Sol 在 SimpleBench 的分數低於 6.1

    換上新模型後,分數變好、價格不變,聽起來很合理,但 SimpleBench 的結果給出不同訊號。作者整理排行榜、廠商公佈的數字和價格,指出 GPT-6.2 Sol 得分 69.9%,低於同價的 GPT-6.1 Sol 的 82.9%;GPT-6.2 Astra 得分 77.3%,Claude Opus 5.5 則是 88.4%。作者沒有親自跑測試,數字來自排行榜和廠商資料;他也提醒,SimpleBench 主要測容易被細節誤導的題目,不等於所有工作表現。文章建議先用自己的工作內容比較新舊模型,並以完成一項工作的總成本來衡量價格。

11月22日週日
  1. The New Stack77

    GPT-6.2 Astra 和 Claude Fable 5.2 實測:準確度接近,費用與速度差很多

    選模型時,答得準不準只是其中一件事,花多少錢、等多久也會影響實際使用。作者用月底帳務、帳務程式修正和實驗室資料分析三種工作比較 GPT-6.2 Astra 與 Claude Fable 5.2;兩者在帳務和資料分析都拿滿分,Fable 5.2 在程式測試多拿 2 分。整體來看,Astra 花費較低、完成較快,但在程式測試中漏掉一條會影響顧客帳單的規則。作者建議先讓 Astra 重做幾次並比對結果,有錯誤或差異時,再用 Fable 5.2 複核。

    推薦理由:三種工作測試顯示兩個模型的準確度接近,但花費和完成時間差距很大,能幫助讀者依錯誤代價選擇模型與複核方式。

  2. The Decoder61

    Artificial Analysis 比較 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    AI 模型回答得更精簡,不一定代表回答更可靠;不同模型也可能用不同方式表達不確定。Artificial Analysis 比較 GPT-6.2 Astra、Sol 和 Claude Fable 5.2、Opus 5.5,發現 Astra 和 Sol 的回答變短,也更快切入問題;Claude 在透明度和組織方式的分數較高。這些分數是和其他受測模型相比的風格排名,不是答案正確率;透明度分數較低,也不代表模型更常答錯。

  3. Dev.to Top Tech81

    Inkling 2 Mini 如何用重複運算,讓 26.4B 引數模型裝進約 20GB

    模型引數多,常會需要更多記憶體;Inkling 2 Mini 用一種重複運算的方法,讓模型可以裝進約 20GB。它會讓中間幾層重複處理同一份資料,因此用同一批引數多算幾次,而不是一直增加新引數。模型共有 26.4B 引數,每個 token 只啟用 3.4B,文章說可在 32GB Mac 上執行。它在 SWE-bench Verified 得到 79.2%,但這些成績來自團隊自己的測試,還沒有獨立重現;文章也提到,不同來源對重複運算的次數說法不一。

    推薦理由:文章以 Inkling 2 Mini 的引數規模、記憶體需求與程式基準比較,說明重複使用部分層如何用更多運算換取較小模型,並交代測試仍來自實驗室。

  4. The New Stack72

    實測 GPT-6.2 Sol 和 Claude Opus 5.5:分數略低,費用省很多

    模型分數差不多時,花多少錢和出錯會造成什麼影響,也會左右選擇。作者用相同的三項工作測試 GPT-6.2 Sol 和 Claude Opus 5.5:程式修正與實驗資料分析兩項,兩者都拿滿分;處理帳務時,Opus 5.5 得 173 分,Sol 得 169 分,少算了一筆約 $2,400 的停機折抵。三項測試合計,Sol 花 $0.51、用時 290 秒;Opus 5.5 花 $2.79、用時 586 秒。作者認為 Sol 省很多,但涉及重大後果的工作仍可讓 Opus 5.5 做最後檢查。

  5. The New Stack64

    Nvidia 用 Droid 找出 Nemotron 3 Ultra 的錯誤,Terminal-Bench 2.0 分數升至 49%

    AI 助理寫程式時,可能會用錯工具、填錯引數,遇到錯誤也不會停下來修正。Nvidia 把 Factory 的 Droid 放進隔離網路,記錄這些可重現的失敗,再用約 20,000 筆資料訓練 Nemotron 3 Ultra。訓練方法 PivotRL 著重改善任務中的關鍵決定;Factory 表示,Nemotron 3 Ultra 的 Terminal-Bench 2.0 分數從 38.5% 升到 49%。不過,Factory 尚未公佈測試來單獨確認這種訓練對分數提升的影響,也沒有提供工具操作錯誤改善前後的資料。

11月21日週六
  1. Dev.to Top Tech39

    Sonnet 5.5 和 Sonnet 5 怎麼選?實際使用成本與速度比較

    同一項工作交給 Sonnet 5 和 Sonnet 5.5,哪個比較適合?一間工作室記錄了兩種模型的實際使用情況:Sonnet 5 每次花 $0.01007,較便宜;Sonnet 5.5 每次花 $0.01755,但平均只要 2.0 秒,速度比 Sonnet 5 的 2.6 秒快。兩種模型都沒有發生失敗,不過 Sonnet 5.5 使用次數較多,兩者也不是同時測試。 工作室後來繼續使用 Sonnet 5.5,但這份紀錄沒有說明轉換原因,也沒有比較答案品質。Sonnet 5.5 每次收到的輸入資料比較多,所以成本差異不能只歸因於模型價格。這些結果只反映這項工作和這間工作室的用量;如果你最在意每次成本,Sonnet 5 較省,若在意速度,這次的紀錄則是 Sonnet 5.5 較快。

  2. Dev.to Top Tech76

    Gemini 4 Hydrogen 和 GPT-6.1 Terra 評測:Hydrogen 在 9 項共同基準中贏了 8 項

    挑模型時,分數較高的選項也可能比較貴,而且公開測試不一定符合自己的工作。作者比較 Gemini 4 Hydrogen 和 GPT-6.1 Terra 在 Google 模型卡上都有分數的 9 項基準,Hydrogen 贏了 8 項,Terra 則在科學類終端機測試勝出;這些結果由 Google 執行,兩款模型的測試條件可能不同。依文中列出的標準 API 費率,輸入 2,000 萬、輸出 500 萬 token,每月費用分別是 $67.50 和 $45.00。文章建議用自己的工作測試分數、費用和成功率,再決定怎麼選。

    推薦理由:文章把兩款模型的公開基準分數、每百萬 token 費用與月用量試算放在一起,呈現選擇時效能和成本的取捨。

  3. Dev.to Top Tech70

    Duo v1 評測:為什麼建議從 distill-quant 權重開始

    想測試能邊聽人說話、邊生成影音的 Duo v1,得先準備多 GPU 伺服器,也要確認權重授權是否適用。作者比較了四組權重,建議實驗時先用 47.0 GB 的 distill-quant;它還依賴 153.5 GB 的 causal base,兩者都要下載。論文的參考串流設定使用一臺配有八張 GPU 的伺服器,沒有提供單張消費級顯示卡的支援。作者列出的每段延遲是 330 到 650 ms,但這不是使用者看到第一個畫面的完整等待時間。程式碼採 Apache-2.0,權重則使用另一種授權,排除歐盟、英國、南韓和美國;商用前應先讀清楚授權條款。

  4. Dev.to Top Tech44

    DeepSeek V4.1 Flash 和 V4 Pro 寫程式比較:第一版程式碼過不過關,會影響後續工作量

    AI 助理寫出第一版程式碼時,如果測試沒過,團隊就得多花時間看錯誤、再修改、再測一次。作者用兩種 Crazyrouter 路線處理兩個小型 Node.js 專案任務:有程式碼的測試中,DeepSeek V4.1 Flash 第一次就全數通過 4/5 次,DeepSeek V4 Pro 是 5/6 次;收到錯誤回饋後,兩者都在所有有寫出程式碼的測試中通過。例子裡,Flash 一開始漏掉了複合時間格式,Pro 則有快取結果沒有留給下次使用的問題,修正後都通過測試。這些測試只涵蓋兩個小任務,不能直接看出哪種路線在大型專案更好,也沒有比較人工修改時間或完整費用;團隊應拿自己的測試和實際失敗案例來評估。

  5. Arena.ai44

    Arena 推出新的 Agent Arena Index,評比 AI 助理的表現。Gemini 4 Neon 首次上榜就以 1336 分拿下第 2 名;GPT-6.2 Astra 得第 6 名,GPT-6.2 Sol 得第 11 名,平均每項任務花費 $0.90。Qwen4-Max 排第 14 名,也是排名最高的中國模型。推文也列出其他榜單結果,例如 Muse Ember 在 Code Arena: WebDev 得 1608 分,排名升到第 1。這些成績和費用能幫大家比較不同 AI 助理的表現與成本。

  6. OpenAI News42

    Hebbia 用 GPT-6 Astra 幫金融研究找資料、做簡報

    銀行員評估收購案時,得從大量財報、合約和簡報裡找答案,還要把資料整理成符合公司格式的簡報。Hebbia 的 Matrix 能把答案連回原始檔案;測試中,GPT-6 Astra 會挑出相關資料來源,再依照使用者的架構和要求製作 PowerPoint 投影片。舉例來說,面對約 2,000 個檔案,它能協助整理客戶集中度、合約條款和營收流失情況,並在投影片附上可追查的來源。Hebbia 的測試顯示,99.5% 的引用段落都和問題相關,簡報也符合 97.9% 的適用要求。這能減少找資料和重做簡報的時間,讓銀行員把心力放在評估交易上。

  7. Dev.to Top Tech44

    Gestalt 參加設計評比拿下第一,但模型是誰做的還不知道

    Gestalt 在 Contra Labs 和 BenchFlow 主辦的設計評比中排名第一,但團隊身分和模型細節都還沒公開,外界也無法試用。評比請專業設計師盲選網站和 App 設計作品;目前排行榜顯示,Gestalt 的勝率是 90%,人類參考作品排第二。這表示設計師在這些題目中較喜歡 Gestalt 的作品,還不能證明它整體比人類設計師更好。評比題目不多,也來自特定平臺;等模型公開、讓外部團隊用更多題目測試,才會更清楚它能不能用在真實工作中。

  8. Artificial Analysis60

    讓機器人完成工作時,模型需要發出多少手臂指令,會影響任務執行效率。Artificial Analysis 在 AA-Robotics v0.1 測試 11 個模型,GPT-6.2 Astra 完成六項任務共發出 668 條指令,是受測模型中最少的,得分也最高。整理箱子這項任務中,它用了 92 條手臂指令,比 Claude Fable 5.2 少約 75%。

    推薦理由:AA-Robotics v0.1 比較 11 個模型完成六項任務的表現,並列出 GPT-6.2 Astra 的指令數與得分結果。

11月20日週五
  1. Dev.to Top Tech70

    Dettato 用 20M 引數把音樂轉成 MIDI,表現勝過大型開源模型

    把一段音樂錄音轉成 MIDI,要找出每個音符何時開始、何時結束,還要分辨同時響起的不同樂器。獨立開發者做出開源模型 Dettato,用 20M 引數在多項測試中勝過引數量大 65 倍的 MuScriptor;不過在 RWC Classical 測試中,Mirelo A2M v1.1 Pro 的分數較高。作者說,訓練資料沒有使用受著作權保護的錄音。Dettato 輸出的是跟著演奏時間排列的 MIDI 音符,不是可閱讀的樂譜;若要分開樂器或處理少見的打擊樂音色,也要留意它的限制。

  2. Dev.to Top Tech79

    Hy4 flash 自架指南:220B 引數模型的顯示卡記憶體與授權怎麼看

    220B 引數的 Hy4 flash 看起來很大,但每個 token 實際啟用的引數約為 12B;自架時,權重檔和長上下文的記憶體需求才是主要考量。作者拆解模型結構與檔案大小,估算在 1M-token 上下文下,若 KV cache 儲存壓縮後的資料,每條序列約需 6.9 GB;這是作者的推算,實際用量會依快取方式和精度而變。官方 FP8 配方使用 8 張 GPU,授權也有條件:以 API 等方式提供遠端服務,達到指定營收或月活門檻時,需要另取得書面授權。

    推薦理由:文章把 Hy4 flash 的權重、KV cache 與授權條件拆開估算,也標出哪些是作者推算、哪些是騰訊提供的數字,能幫讀者先判斷自架成本與服務限制。

  3. Dev.to Top Tech76

    Kilo 用金字塔建造測試比較 GPT-6.2 Astra 和 Sol

    挑 AI 模型寫程式時,價格和做出來的成果都會影響選擇。Kilo 用同一段提示詞,讓 GPT-6.2 Astra 和 GPT-6.2 Sol 各自做出工人建造金字塔、船隻沿河運送材料的互動 3D 場景。兩者都放好了 204 塊石頭並完成 8 層;Astra 的畫面較像電影場景,Sol 的畫面較簡單,但能清楚顯示每組工人在做什麼。這次每個模型只測了一次,作者提醒結果只能當初步參考,也提供在 Kilo Desktop 重跑比較的方法。

    推薦理由:文章用同一個金字塔建造任務比較 Astra 與 Sol 的畫面和操作呈現,也提醒每個模型只跑過一次,結果適合當作初步參考。

  4. Dev.to Top Tech79

    Gemini 4 Neon 和 Claude Opus 5.5 寫程式比較:哪些結果有資料佐證?

    挑寫程式的 AI 模型時,單看哪個跑分高,可能看不出實際差別。這篇文章整理 Gemini 4 Neon 和 Claude Opus 5.5 的公開比較:Google 的資料顯示 Neon 在部分基準測試領先,Opus 5.5 則在另外兩項測試小幅領先;另一項編碼助理指標中,兩者分數接近。文章也列出估算的每項編碼任務費用,Neon 約 $6.86,Anthropic 的兩種設定約 $12.61 至 $15.47。作者提醒,最高思考設定會讓輸出 token 數增加一倍以上,建議先用自己的專案測試再決定是否更換。

    推薦理由:文章整理 Gemini 4 Neon 與 Claude Opus 5.5 的基準測試、任務成本和輸出差異,能幫助讀者看懂比較結果的適用範圍。

  5. Dev.to Top Tech81

    Gemini 4 Hydrogen 和 Claude Sonnet 5.5 怎麼選?比較測試表現與成本

    挑寫程式用的模型,不能只看每個 token 的價格,還得看工作型別和完成任務要花多少錢。文章比較 Gemini 4 Hydrogen、Claude Sonnet 5.5 和 GPT-6.1 Sol:Google 公佈的測試中,Hydrogen 在 9 項裡贏了 6 項,較適合呼叫工具和修 bug;Sonnet 5.5 則在終端機操作、電腦使用和科學命令列測試勝出。獨立評分中,Sonnet 5.5 略高於 Hydrogen;Hydrogen 產生的文字較多,因此每個 token 較便宜,不一定代表每項工作花費更低。文章也整理了價格與使用方式,並建議用自己的工作測試再決定。

    推薦理由:文章並列 Google 公佈的測試與獨立評分,也提醒輸出較長會拉高每項工作的成本,方便依實際工作型別比較模型。

  6. Dev.to Top Tech54

    NovaAtom-Lite 與 AlphaFold 3 比較:抗體介面領先,蛋白質 DNA 則落後

    挑選蛋白質結構預測模型時,不同模型在不同分子組合上的表現可能差很多。這篇評測整理 FoldBench 的廠商自報數字:NovaAtom-Lite 在抗體與抗原介面得到 79.07%,AlphaFold 3 為 47.90%;在蛋白質與小分子介面也領先,但蛋白質與 DNA 介面由 AlphaFold 3 領先。這些結果尚無獨立團隊重做驗證,而且比較使用的樣本數並不完全相同。NovaAtom-Lite 目前沒有公開模型權重或程式碼,研究團隊可先把它當作另一個參考模型,並留意結果仍待外部驗證。

  7. Dev.to Top Tech60

    Gemini 4 四款模型怎麼選?比較推理、寫程式和長文本表現

    挑模型時,只看一個總分,可能看不出它在自己的工作上好不好用。作者整理 Gemini 4 Argon、Carbon、Hydrogen 和 Neon 的公開測試,沒有重新跑測試;結果顯示,同樣是高推理設定,Neon 和 Carbon 的總分都是 60,但估計完成加權任務的時間分別是 14.8 分鐘和超過半小時。長文本測試也顯示,模型能讀進很多文字,不代表都同樣會追蹤內容之間的關係。文章提醒,寫程式的結果還會受工具、重試方式和驗收標準影響,挑模型時應用自己的任務測試,並把花費、完成時間和通過驗收的結果一起比較。

  8. Dev.to Top Tech61

    Meta 的 Muse Wonder 在 Legora 法律工作測試中拿下整體品質第一

    律師事務所挑選 AI 處理客戶案件時,既要看回答是否可靠,也得考慮每件工作的成本。Legora 公佈的 11 月測試中,Meta 的 Muse Wonder 整體品質最高,並在分析與回答、資料擷取、撰寫和編輯四類工作領先;OpenAI 的 GPT-6.2 Astra 則在比較與審查任務領先,案件成本比平均低 20%。GPT-6.2 Sol 的品質高於平均,案件成本低 78%。Meta 沒有公佈 Muse Wonder 的案件成本,因此這份結果能比較表現與部分價格,還看不出品質領先值多少錢。

  9. Cognition76

    挑選程式碼變更要不要合併,得同時看模型判斷得準不準、花費多不多。Cognition 用自家的 FrontierCode 2.0 評估 Gemini 4 Neon,這項基準測試關心模型能否判斷一項程式碼變更是否該合併。Gemini 4 Neon 得分 46.2%,每項任務約 $4.38;Cognition 表示,它的分數和 Opus 5.5 相差不到 1 分,成本約為三分之一。Gemini 4 Neon 也已可在 Devin Desktop 和 Devin CLI 使用。

    推薦理由:FrontierCode 2.0 用是否該合併程式碼變更來評估模型,並列出 Gemini 4 Neon 的分數與每項任務成本,方便比較其表現與花費。

  10. aihot75

    Gemini 4 Neon 首發實測:Peter Gostev 比較 3D、遊戲與介面表現

    新模型的實際表現如何,光看排名不容易知道,也得看看它在不同工作裡做得怎麼樣。Peter Gostev 實測 Gemini 4 Neon,拿它和 Opus、Fable、Astra、Sol 等模型比較,展示它在 3D 場景、遊戲、介面和資料視覺化上的表現,並討論畫面細節、操作、設計一致性與定價。Arena 引用的排名資料來自 4.2k 個真實世界 AI 助理對話,Gemini 4 Neon 得分 1336 分、排名第 2,每項任務中位成本為 $2.82;這些數字提供了比較表現與成本的參考。

    推薦理由:這段實測涵蓋 3D 場景、遊戲、介面與資料視覺化,並搭配 Arena 排名和每項任務成本,能從多種用途比較 Gemini 4 Neon 的表現。

  11. Dev.to Top Tech52

    Gemini 4 Neon 價格和生成測試怎麼比?

    選模型時,只看 Token 單價,可能猜錯哪款模型做一次任務比較省錢。這篇文章整理 Carbon、Neon 和 Hydrogen 的價格與推理檔位,也比較三款模型在同一個圖形生成題目中的耗時和費用。Carbon 的優惠價到 2026 年 11 月 30 日,12 月 1 日起恢復較高的常規價格;測試中,Neon 的單次費用有時低於 Carbon,原因是它用了較少 Token。這只是單一題目的示例,不能用來判斷模型整體能力或穩定速度。

  12. Artificial Analysis43

    不太熟悉新推出的 Gemini 4 系列?以下是 Gemini 4 Carbon、Neon 和 Hydrogen 的幾項重點 Carbon 是價格最高的模型(每 1M 輸入/輸出 tokens 為 $4/$20),接著是 Neon($3/$15)和 Hydrogen($1.50/$7.50)。在低推理力度下,Carbon 的表現是三者中最好的,但會使用更多 tokens。不過,Neon 和 Hydrogen 提高推理力度後的擴充套件效果更好,並多了一種推理選項(xhigh)。

  13. Dev.to Top Tech36

    Domyn Edge 4B 在 16GB MacBook Pro 上跑起來如何?實測影片

    想在自己的電腦跑 AI 模型,常會擔心它太大、跑不動。這支影片實測 Domyn Edge 4B:作者把模型轉成 4-bit 版本後,大小約 2.2–2.4 GB,能在 16GB MacBook Pro 上順順運作。問它海豚是什麼,模型約 30 秒就給出清楚正確的答案;請它寫一個計算資料夾內檔案字數的小工具,也做出能用的 Python 程式。這次測試顯示,它適合在一般電腦上使用,也能應付簡單的程式撰寫工作。

11月19日週四
  1. Dev.to Top Tech59

    Kling 4.0 和 Seedance 2.5 實測:Kling 更照提示詞做,Seedance 快上許多

    要讓 AI 影片符合指定動作和顏色,或想快速拿到成片,該選哪個模型?作者用三組相同提示詞測試 Kling 4.0 和 Seedance 2.5,分別生成夜市炒麵、商品照短片和咖啡師說話的影片。Kling 做對了炒麵翻鍋和綠圍裙等細節,也能輸出 1080p;Seedance 每段約 2.7 分鐘完成,畫面看起來較像實際拍攝,也能編輯或延長既有影片。測試每種情境只各跑一次,結果可供挑選方向,實際等待時間仍可能不同。

  2. Dev.to Top Tech58

    Gemini 4 四款模型怎麼選?Hydrogen 回答較快,Neon 價格最高

    Gemini 4 的四款模型速度、價格和擅長的工作不同,選錯可能讓程式跑得慢,也多花費用。作者用平臺近 30 天的實際呼叫比較速度與價格:回答長度在 1,500 到 4,000 個 token 時,Hydrogen 中位數為 23 秒,Argon 為 44 秒、Carbon 為 49 秒;Neon 每 1M 個輸入 token 收 $3.00、輸出 token 收 $15.00,是四款中最貴的。作者也用六項任務測試 Neon,把思考程度從預設的 high 調成 low,費用從 24.7 美分降到 12 美分,37 項檢查都通過。文中建議日常大量工作先用 Hydrogen,較難的問題再交給其他模型;這些結果來自作者的平臺和測試,不能直接當成所有工作都適用的排名。

  3. Tom’s Hardware AI & Computing76

    三張二手 Nvidia V100 跑 Qwen 3.6 35B,長上下文仍有每秒 72.7 個 token

    想在家用電腦跑大型語言模型,買新顯示卡可能很花錢。這篇評測用三張二手 Nvidia V100 組成總價 $1,042 的主機,測試 Qwen 3.6 35B;在 4K 上下文時,每秒約產生 100 個 token,到了 128K 仍有 72.7 個。作為比較,三張 P100 在相同條件下只有 40.2 個,V100 每次測試的 GPU 耗電也約是 P100 的一半。作者提醒,各臺裝置使用的執行工具不同,因此比較數字只能大致參考。

    推薦理由:這組測試比較不同退役 GPU 在長上下文下的速度與耗電,也列出自組成本,可用來評估舊卡能否應付本機模型推論。

  4. Dev.to Top Tech70

    Gemini 4 Neon、GPT-6.2 Astra 和 Claude Fable 5.2 怎麼選?比較評分與任務費用

    挑大型語言模型時,只看每個 token 的價格,可能會選錯。這篇文章比較 Gemini 4 Neon、GPT-6.2 Astra 和 Claude Fable 5.2 的價格、排行榜分數與每項任務費用:Neon 的 token 單價最低,Astra 在一項獨立測試中每項任務花費最低,Fable 5.2 則在兩個排行榜領先。差別在於模型完成工作時會寫出多少 token,Astra 的測試輸出量遠少於另外兩款,因此即使單價較高,每項任務還是比較省。文章也提醒,排行榜採用的測試不同,排名可能不一致;文中提供一套測試流程,建議用自己的工作內容比較成功率、token 用量和速度。

  5. The Decoder72

    OCR 模型辨識書頁文字的成本降到每百萬頁 $130 以下

    把掃描書籍和舊檔案轉成文字,現在花費少了很多。Daniel van Strien 用同一張 GPU 比較了 8 個免費 OCR 模型:最舊的模型每處理 1,000 頁約花 51 美分,最新的 LightOnOCR-3-0.8B 不到 10 美分,依資料種類不同,每百萬頁的 GPU 租用費約為 $65 到 $130。最新模型讀書頁的準確度至少和最舊模型一樣;不過有些模型會在空白頁編出文字,或重複同一段內容。調整頁面大小、讓工作分配更平均和使用較快的 GPU,也能省下不少費用。

  6. Dev.to Top Tech66

    Gemini 4 Neon 怎麼計費?比較不同思考等級與實際呼叫成本

    使用 Gemini 4 Neon 時,光看每百萬 token 的價格,不容易知道一次工作會花多少錢,尤其模型思考時用掉的 token 也要計費。這篇整理了不同方案的價格,並用程式碼檢查、重複提示詞和長檔案提問等例子,試算每次呼叫的費用。文中也比較不同思考等級:等級提高可能讓測試分數上升,但會用掉更多輸出 token;重複提示詞若命中快取,費用也會降低。作者建議先用 medium 測試,再依任務需要調整,並用自己的提示詞實測成本。

  7. Dev.to Top Tech79

    Gemini 4 Neon 評測:比較基準、API 費用與 AI 助理工作流程

    挑模型時,排行榜上的分數不一定能告訴你實際工作要花多少錢,工作流程工具也會影響結果。作者整理 Gemini 4 Neon、Carbon 和 Hydrogen 的價格與測試成績,並說明 Neon 的輸出費用包含思考用的 token,調高思考程度也會增加費用;Carbon 和 Argon 的優惠價格則會在 12 月 1 日結束。文章還比較同一模型在不同程式工作流程工具上的測試結果,指出分數差距可能很大,建議團隊用自己的工作流程和任務測試,再估算費用。

    推薦理由:文章比較 Gemini 4 Neon 與 Carbon 的費用和測試結果,也指出同一模型換了工作流程工具後,程式任務分數差異很大。